[发明专利]一种两阶段云服务器无监督异常预测方法

权利要求书

1.一种两阶段云服务器无监督异常预测方法，其特征在于，包括以下步骤：

S1、对收集到的云服务器历史KPIs数据进行缺失值处理、数据格式化和数据归一化处理；

S2、根据预处理后的云服务器历史KPIs时间序列数据训练多对多的时间序列预测模型和多变量异常检测模型；

S3、使用训练好的多对多的时间序列预测模型预测未来时刻的云服务器KPIs数据；

S4、使用训练好的多变量异常检测模型对预测得到的未来时刻的KPIs数据进行异常检测，得到未来每个时刻数据点的异常概率；

S5、设置异常概率阈值，根据数据点的异常概率判断该数据点是否为异常数据点，大于异常概率阈值的被认为是异常数据点，反之则是正常数据点，得到异常预测的结果。

2.根据权利要求1所述的一种两阶段云服务器无监督异常预测方法，其特征在于，步骤S1中，所述缺失值处理指对于间隔的缺失值即某行或某列的连续缺失值不超过5个，采用最近的24个非缺失值的平均值进行补全修复；对于连续缺失值即某行或某列的连续缺失值超过5个，直接去除缺失值；

所述数据格式化指对于某个维度的类别时间序列，采用枚举的方式将类别时间序列转为数值时间序列；

所述数据归一化处理指对经过缺失值处理和数据格式化后的云服务器KPIs数据进行归一化，让其分布在[0,1]。

3.根据权利要求1所述的一种两阶段云服务器无监督异常预测方法，其特征在于，步骤S2中，所述多对多的时间序列预测模型包括编码器和解码器，编码器用于充分提取KPIs时间序列数据的特征，解码器用于对提取的特征解码，输出未来时刻的预测值；输入时间序列为其中X_i＝{x⁽¹⁾,x⁽²⁾,…,x^(m)}，预测未来时刻的P步KPIs时间序列其中X_i＝{x⁽¹⁾,x⁽²⁾,…,x^(m)}，输入序列X是多变量时间序列，T表示X的长度，m表示X的维度；预测的目标时间序列Y是多变量时间序列，其中P表示预测的步数；

编码器采用多层的堆叠LSTM神经网络来实现，目的是充分提取多个云服务器KPIs时间序列数据的时序特征，并采用注意力机制为预测模型的训练提供带权重的特征输入即编码向量，具体如下：

编码器的LSTM单元的状态传递时需要同时考虑到前一个LSTM单元的隐层状态和下一层LSTM单元的隐层状态，即：

其中和分别代表第k层，t时刻的记忆单元状态和隐藏层状态，L表示堆叠LSTMs的层数，T表示输入时间序列的长度；经过多层LSTM的特征提取，最终得到每个时刻的隐藏层向量分别为为了方便表述，用h₁,h₂,…,h_T来代替；

计算编码器各个LSTM单元的隐藏层向量{h₁,h₂,…,h_T}分别和解码器的状态D_t＝Concatnate(S_t-1,Y′_t-1)的相关程度，其中S_t-1表示解码器的LSTM单元前一时刻的隐藏层状态，Y′_t-1表示解码器的LSTM单元上一时刻的真实值，D_t指将S_t-1和Y′_t-1按列连接后的向量，将S_t-1和Y′_t-1连接再求相关度是为了让上一刻的真实值来指导相关度的计算，最后使用softmax归一化得到每个隐藏层向量的归一化权重a_ij，计算公式如下：

其中e_ij表示解码器第i个时刻的状态D_t和编码器的第j个隐藏层的状态h_j的相关性，可以通过神经网络来学习e_ij，其中V_a、W_a以及U_a是需要学习的权重参数，考虑到历史时间序列信息的有效性，采用软注意力机制(Soft Attention),对所有的编码器的隐藏层的状态都分配权重；

对编码器的隐藏层的状态{h₁,h₂,…,h_T}进行加权求和得到解码器第i个时刻对应的编码向量C_i，计算公式如下：